《Frontiers in Aging Neuroscience》：The application of traditional machine learning and deep learning with EEG for mild cognitive impairment: a bibliometric analysis
编辑推荐：
目的：本研究采用文献计量学方法，分析脑电图（EEG）与机器学习在轻度认知障碍（MCI）研究中的应用现状。方法：检索四个主要英文数据库（Web of Science、PubMed、IEEE Xplore、Scopus）和三个主要中文数据库（CNKI、万方、维普）
目的：本研究采用文献计量学方法，分析脑电图（EEG）与机器学习在轻度认知障碍（MCI）研究中的应用现状。方法：检索四个主要英文数据库（Web of Science、PubMed、IEEE Xplore、Scopus）和三个主要中文数据库（CNKI、万方、维普），时间范围从建库至2026年6月。使用NoteExpress去重后，根据纳入与排除标准筛选文献，最终数据导入CiteSpace 6.4.R2和VOSviewer 1.6.20，分析发文趋势、地理分布、高共被引文献、关键词聚类和突现检测。结果：共纳入547篇有效研究，包括523篇英文文献和24篇中文核心期刊文章。该领域发文量呈阶段性增长，2018年后进入快速发展期。中国在英文发文量上全球排名第一，但中文核心期刊发文量与英文存在显著差距。《临床神经生理学》（Clinical Neurophysiology）是总链接强度（TLS）最高的期刊。前10位高共被引期刊中有4本来自美国。高被引文献共同构建了该领域的核心知识基础，涵盖临床诊断指南、电生理机制、信号处理方法和智能算法模型。传统机器学习关键词聚焦方法探索，包括特征提取和支持向量机分类；深度学习关键词聚焦模型应用，包括卷积神经网络和人工神经网络。关键词突现分析确定特征选择、决策树和神经心理学评估为当前前沿主题。结论：脑电图结合机器学习已成为MCI早期识别和评估的重要研究方向。研究焦点已从传统EEG信号分析和手动特征工程转向深度学习模型优化和多模态数据融合探索。提高算法可解释性、细化EEG节律和大脑区域定位，以及神经心理学评估与EEG指标的结合，已成为新的研究趋势。
**研究背景**
阿尔茨海默病（Alzheimer’s disease, AD）是全球老年人群残疾和死亡的主要原因之一，目前尚无治愈方法，早期干预是延缓疾病进展的唯一有效策略（Scheltens等，2021）。轻度认知障碍（mild cognitive impairment, MCI）是正常衰老与AD之间唯一可干预的关键过渡阶段，其核心临床表现为认知下降和记忆减退，日常生活能力未受显著影响，年痴呆转化率高达10–15%，远高于普通老年人群（Bradfield, 2023；Vega和Newhouse, 2014）。流行病学数据显示，全球60岁以上成人MCI患病率为6.7–25.2%（Jongsiriyanyong和Limpawattana, 2018）。中国55岁以上人群总体患病率为15.4%（Deng等，2021）。随着全球人口老龄化加剧，MCI已成为重大公共卫生问题。准确早期识别MCI并预测其进展，是阻断AD发生、减轻痴呆负担最具成本效益的关键干预窗口。脑电图（electroencephalography, EEG）作为一种非侵入性、低成本、高时间分辨率的神经生理检测技术，能够捕捉MCI患者脑网络振荡的特征异常（Wijaya等，2023），被视为潜在的客观电生理生物标志物（Jiang等，2025）。然而，传统EEG分析高度依赖专家手动判读，存在主观性强、难以捕捉微弱非线性异常、诊断准确率受限等问题（Aanestad等，2024）。传统机器学习方法（如支持向量机（support vector machine, SVM）和随机森林）通过手动提取EEG频谱和非线性动态特征构建分类模型，初步探索了认知障碍的自动识别（Chriskos等，2025），但其性能强烈依赖特征工程水平，难以挖掘高维隐藏信息。深度学习技术的发展为突破这一局限提供了潜在途径，相关研究旨在以端到端方式自动提取EEG信号中的高维隐藏特征，探索MCI的准确分类和转化风险预测（Craik等，2019；Franzmeier等，2017）。近年来，传统机器学习和深度学习并行发展，共同推动基于EEG的MCI研究快速增长，成为神经科学、医学人工智能和老年病学交叉的研究热点。然而，现有文献计量分析多涵盖AD全病程，未聚焦于机器学习与EEG结合诊断MCI这一精确交叉领域，且大多仅纳入英文数据库，忽略中文数据库，未能充分反映发展中国家的研究贡献。因此，研究人员开展了此项研究。
**研究人员开展的研究**
研究人员检索了四个英文数据库（Web of Science Core Collection、PubMed、IEEE Xplore、Scopus）和三个中文数据库（CNKI、万方、维普），时间范围从建库至2026年6月5日。采用布尔逻辑运算符（AND/OR）构建概念组间关系，使用右截词符（*）覆盖核心检索词的复数形式、词形变体和常见缩写。英文检索策略：TS= (“Mild Cognitive Impairment” OR MCI OR “Cognitive Dysfunction” OR “pre-dementia” OR “early Alzheimer’s”) AND TS= (“Electroencephalography” OR EEG OR “Electroencephalogram” OR “brain wave*” OR “EEG signal*”) AND TS= (“Deep Learning” OR “Machine Learning” OR “Artificial Intelligence” OR “Neural Network*” OR “Support Vector Machine*” OR SVM OR “Convolutional Neural Network*” OR CNN OR “Recurrent Neural Network*” OR RNN OR LSTM OR “Deep Neural Network*” OR DNN)。中文检索策略：(SU=‘轻度认知障碍’ OR SU=‘认知功能障碍’ OR SU=‘MCI’ OR SU=‘遗忘型轻度认知障碍’ OR SU=‘aMCI’) AND (SU=‘脑电图’ OR SU=‘脑电’ OR SU=‘脑电信号’ OR SU=‘EEG’) AND (SU=‘深度学习’ OR SU=‘深度神经网络’ OR SU=‘机器学习’ OR SU=‘卷积神经网络’ OR SU=‘CNN’ OR SU=‘循环神经网络’ OR SU=‘RNN’ OR SU=‘LSTM’)。纳入标准：研究对象包括MCI患者，采用对照设计（MCI与健康对照，或MCI、AD/其他认知疾病与健康对照的多组比较）；EEG信号为核心数据，应用深度学习或机器学习算法。排除综述、重复发表及不符合纳入标准的文献。两名研究人员独立筛选文献，使用NoteExpress 3.6去重，初筛标题和摘要，再通过全文阅读复核，分歧由第三名研究人员裁定。最终纳入547篇有效文献（523篇英文，24篇中文核心期刊文章）。使用CiteSpace 6.4.R2和VOSviewer 1.6.20进行文献计量和可视化分析，包括发文趋势、地理分布、高共被引期刊、高共被引文献、关键词聚类和突现检测。该论文发表在《Frontiers in Aging Neuroscience》。
**研究结果**
（1）文献发表现状（Status of literature publications）：通过分析年度发文量，发现该领域发文量从2005年至2017年保持较低水平，2018年后进入稳定增长阶段，2021年进入高水平波动期，2024年达86篇，2025年达87篇，表明该交叉研究领域已引起学术界广泛关注。值得注意的是，中文核心数据库中仅检索到24篇相关论文，中国学者在国际英文期刊上发表了137篇，形成鲜明对比。
（2）出版物地理分布（Geographical distribution of publications）：通过Scimago Graphica软件生成全球研究合作地理可视化图，节点大小代表国家发文量，连线粗细代表合作强度。结果显示，研究成果主要集中于东亚、北美和欧洲。中国以137篇（26.2%）排名第一，美国（65篇，12.4%）和意大利（55篇，10.5%）紧随其后，表明中国在全球研究产出中占据重要地位。
（3）高共被引期刊分析（Analysis of highly co-cited journals）：通过VOSviewer生成期刊共被引可视化图，显示三个核心研究集群：红色集群聚焦生物医学信号处理和智能算法，绿色集群聚焦临床神经科学和认知障碍研究，蓝色集群强调神经科学方法论支持。按总链接强度（Total Link Strength, TLS）排序，前10高共被引期刊中，《临床神经生理学》（Clinical Neurophysiology）以TLS值9,007排名第一，是该领域最核心的学术期刊。《阿尔茨海默病与痴呆》（Alzheimer’s & Dementia）影响因子11.1，显著高于其他期刊。前10高共被引期刊中有4本来自美国，其余多来自欧洲国家，反映欧美在该领域的学术主导地位。
（4）高共被引文献分析（Analysis of highly co-cited references）：高共被引文献构成该领域的核心知识基础。按TLS排序的前20高共被引文献可分为四类：AD/MCI临床诊断标准文献，为研究提供临床规范基础；MCI/AD电生理特征研究，为EEG信号作为潜在生物标志物提供理论依据；EEG信号处理与特征工程文献，建立原始信号与有效特征提取之间的方法学桥梁；机器学习和深度学习分类模型研究，构建MCI智能诊断的技术体系。这些文献共同形成了完整的知识体系。
（5）关键词共现分析（Keyword co-occurrence analysis）：将523篇有效文献分为传统机器学习和深度学习两个子集，筛选频率≥20的高频关键词并按TLS降序排列。传统机器学习子集中，高频关键词包括轻度认知障碍、脑电图、阿尔茨海默病、机器学习、支持向量机、认知缺陷、特征提取等；深度学习子集中，高频关键词包括脑电图、轻度认知障碍、阿尔茨海默病、深度学习、卷积神经网络（CNN）、认知缺陷、特征提取等。时间叠加可视化图显示，2016年左右为研究方向初步形成阶段，核心关键词以方法学主题为主（如排列熵、支持向量机、功率谱、α节律）；2018–2020年，研究焦点逐渐转向临床场景，轻度认知障碍、阿尔茨海默病、认知功能障碍、生物标志物等成为核心集群；2020年后，特征选择、决策树等主题涌现，深度学习相关关键词（如CNN、人工神经网络）开始出现。关键词突现分析显示，MCI相关主题突现强度最高，早期热点包括支持向量机和工作记忆，随后出现生物医学信号处理、EEG信号、分类准确率等，近年来更多关注算法本身（特征提取、决策树、人工神经网络），神经心理学评估是唯一持续突现至2026年的前沿主题。深度学习相关术语未出现显著突现，表明其应用仍处于逐步增长阶段。
**总结讨论与结论**
讨论部分总结了关键发现：该领域发文量呈三阶段增长模式，2018年后进入稳定增长，2021年后增速加快，可能受深度学习技术发展、全球老龄化带来的MCI预防价值凸显、以及多中心开放EEG数据库普及等因素驱动。中国发文量全球第一，但中文核心期刊发文量少，可能与国内研究评价体系偏向SCI/SSCI期刊有关。美国在期刊主办地理分布上仍占优势，通过ADNI等多个中心临床库和BRAIN计划提供持续支持。高被引文献构成四大核心知识类别，为后续研究提供方法学和理论基础。研究热点演变显示，从早期传统机器学习算法探索，到中期锁定临床疾病实体，再到当前聚焦深度学习模型优化、特征选择与泛化改进、以及精细化EEG节律和脑区定位。未来发展方向包括：提高模型可解释性和轻量化部署，结合便携式EEG设备；整合EEG与多维信息（神经影像、神经心理学评估、基因组学）构建更强模型；拓展技术到其他神经退行性疾病的认知障碍评估。研究局限性包括：未对纳入原始研究的方法学质量进行系统评价，可能存在发表偏倚。
结论部分翻译：总之，文献计量分析表明，基于脑电图和机器学习技术的MCI诊断研究已进入快速发展阶段。研究热点呈迭代演替：早期聚焦传统机器学习算法和基础EEG特征分析，中期逐渐锚定MCI和AD等临床疾病实体，当前研究正向深度学习模型优化、特征选择与泛化改进、以及精细化EEG节律和脑区定位等方向深化。中国在该领域发文量全球第一，但欧美国家在学术话语权和核心期刊获取方面仍保持优势。中文文献与英文文献在研究启动时间、总体产出量和原创探索深度上存在显著差距。未来研究应聚焦三大方向：第一，加强深度学习模型的可解释性和轻量化部署研究，结合便携式EEG设备，推动其在初级保健和社区筛查场景中的应用；第二，整合EEG与多维信息（包括神经影像、神经心理学评估和基因组学），构建更稳健的MCI早期诊断和进展预测模型；第三，拓展技术应用边界，将现有分析框架迁移至其他神经退行性疾病的认知障碍评估，探索通用智能诊断系统。本研究建立的知识图谱和趋势分析可为研究者识别合适研究切入点、开展跨学科合作提供定量参考，有望推动该领域研究从实验室到临床的转化。
